数字信号处理教程习题分析与解答（第五版） 在线下载 pdf mobi 2025 epub 电子版

暂无相关简介，正在全力查找中！

暂无相关目录，正在全力查找中！

暂无相关内容，正在全力查找中

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：数字信号处理教程习题分析与解答（第五版）在线阅读

在线听书地址：数字信号处理教程习题分析与解答（第五版）在线收听

在线购买地址：数字信号处理教程习题分析与解答（第五版）在线购买

暂无原文赏析，正在全力查找中！

暂无其它内容！

• 作者：瑶瑶的梦 发布时间：2022-10-05 21:30:41

  看到师昧竟然是1我内心一个大大的卧槽！师昧你清醒一点！你是0啊！我劝你放过师尊，两个0在一起是不会幸福的。

• 作者：我一蹦三尺高 发布时间：2020-04-19 19:11:48

  小学一年级的时候看的

• 作者：Sarcophagus 发布时间：2013-01-19 16:41:54

  生生翻烂过两部，摸它千遍也不厌倦，摸它的感觉像山越

• 作者：璃人泪@2011 发布时间：2018-07-06 12:57:32

  刚看企鹅归来，看上去差不多的企鹅们也各有各的可爱啊

• 作者：临江仙 发布时间：2010-09-01 00:25:43

  彭师布置我看的第一本书

• 作者：睡觉大王啵呜卜 发布时间：2016-12-05 22:32:53

  近半百买的一本书，使用起来恨的想撕碎的心都有，针对目前现状，（第一章）想要的一些基础性的知识不够完全，内容也还不足够系统！

• 真的“可怜天下父母心”

  作者：勇敢的心 发布时间：2009-09-04 20:43:23

  初中的时候读了这本书。现在依然清晰地记得，那时候读了之后，有种真的想哭的感觉。尽管现在已经记不起一些其中的情节了，但是伟大的母爱的依然让我感动万分。现在的年轻人，很多都是80后、90后了，当他们在成长过程中，在追求梦想过程中，时时刻刻都应该记住父母对自己的一片爱心...即使自己有能力回报父母了，无论怎样回报，都不及父母给自己的多...

• 《AI 3.0》读书笔记

  作者：Di 发布时间：2022-07-20 20:19:05

  2022年的第26本书。

  近几年都在做和人工智能相关的投资和孵化工作，所以对这个主题并不陌生。最近几次看到这本书被推荐，于是拿来翻了一遍。

  读完之后的感想如下：

  首先，作者大致还原了人工智能的发展史，从1956年约翰.麦卡锡在达特茅斯学院的研讨会关于“人工智能”的提案开始，整个人工智能研究分成了两条路线：“符号人工智能”和“亚符号人工智能”，前者受到数学逻辑和人类经验的启发，认为通用智能完全可以通过由符号、符号组合、符号规则和运算获得，符号系统可以由人类设计，被输入人类知识，并使用人类可理解的逻辑推理来解决问题，比如基于规则的专家系统，在最初的30年里占据了主导地位，尤其是随着IBM的深蓝战胜卡斯帕罗夫以及沃森在《危险边缘》(Jeopardy!)节目击败人类获得冠军，一时风光无两。但在实际的应用中，这种基于规则的专家系统并没有实现太大的价值，或者说并没有实现真正的智能。

  相比之下，

  而“亚符号人工智能“则从神经科学中汲取灵感，试图捕捉隐藏在所谓的“快速感知”背后的一些无意识的思考过程，如识别人脸或识别语音等，“其本质上是一堆等式——通常是一大堆难以理解的数字运算。” 最早的亚符号人工智能是感知机，它试图模仿人脑的神经元，根据加权输入信号的总和是否满足阈值来做出是或否（输出1或0）的决策。相比符号系统，亚符号系统往往难以阐释，并且没人知道如何直接将复杂的人类知识和逻辑编码到这些系统中。亚符号系统似乎更适合那些人类难以定义其中规则的感知任务。之后，明斯基在1969年指出，可以通过为感知机添加额外的神经元层，组成多层神经网络来增加其能力，由于算力和通用算法的贫乏，以及有限的研究经费，这条路走得十分坎坷。

  从20世纪80年代开始，经历了神经网络研究的一个又一个“寒冬”和“春天”。杨立昆于20世纪八九十年代与自己的博士后导师杰弗里·辛顿（Geoffrey Hinton）一道，开发了一种监督学习的算法（本质上与今天在ConvNets中使用的反向传播算法形式相同）。他在贝尔实验室工作期间，转向对自动识别手写数字和字母的研究，将从神经认知机中获得的想法与反向传播算法结合起来，创建了“LeNet”，即最早的ConvNets之一。LeNet凭借手写数字识别功能在商业上获得了成功，从20世纪90年代到21世纪初，LeNet被美国邮政局用于自动识别邮政编码，并被银行业用于自动读取支票上的手写数字。然而，LeNet及其后继者ConvNets在应用于更复杂的视觉任务时表现不佳。到20世纪90年代中期，神经网络开始在人工智能研究群体中失宠，也因此失去了在该领域的主导地位，但杨立昆仍然坚信并继续致力于研究ConvNets，并对其进行逐步改进。正如辛顿后来所说的，“他像是孤身一人举着火炬穿过了那个黑暗的时代”。杨立昆、辛顿和神经网络的其他拥护者认为，只要具备足够多的训练数据，改进的、更大规模的ConvNets和其他深度网络就能够征服计算机视觉。他们在21世纪初期一直执着于在这个处于边缘的分支领域内开展研究工作。直到2011年，Jeff Dean和Andrew Ng让神经网络在Youtube上完成了猫脸识别，李飞飞可通过众包模式建立了ImageNet，Hinton团队的深度神经网络AlexNet刷新了图像识别的世界纪录，再到2016年的AlphaGo，亚符号人工智能终于成为了AI发展的主流路线。值得一提的是，作者在书中对于卷积、强化学习、循环神经网络的描述都非常的形象、简洁，对于非专业人来说是很好的入门材料。

  书中提到，“过去几十年，人工智能领域的泡沫不断产生，又破灭。这一循环是这样运转的：

  第一阶段，新想法在研究领域得到了大量的支持。相关研究人员承诺人工智能即将取得突破性的成果，并被新闻媒体各种炒作。政府资助部门和风险投资者向学术研究界和商业初创公司注入大量资金。

  第二阶段，曾经承诺的人工智能突破没有如期实现，或者远没有当初承诺的那么令人满意。政府资助和风险资本枯竭，初创公司倒闭，人工智能研究放缓。

  研究人工智能的群体已经熟悉了这一模式：先是‘人工智能的春天’，紧接着是过度的承诺和媒体炒作，接下来便是‘人工智能的寒冬’。从某种程度上来说，这一现象以5～10年为周期在不断上演。当我在1990年研究生毕业时，这一领域正处在一个寒冬，并且形成了一个非常恶劣的氛围，以至于有人甚至建议我在求职申请中避免使用’人工智能’这个词。”

  作为AI行业的从业者，我对这个模式再熟悉不过了。然而，我个人认为，这

  本质上还是一个跨越鸿沟的故事。真正推动AI走出加德纳曲线的绝望之谷的，是摩尔定律，是指数级增长的算力。神经网络的模型几十年前就已经出现了，算法本身尽管有迭代，但并不是问题的关键。真正的关键在于算力够不够，数据够不够。在摩尔定律的加持下，在数字化的浪潮下，拼图一块块地就位了，推动AI从理论模型变成了真正有价值的技术。

  其次，通读全书可以看出，作者对于人工智能“能否超越人类”总体上是持质疑态度的，她对AI抱有很多顾虑，认为目前的AI并不是真正意义上的智能，例如：

  关于图像识别：目前的测试方法不够科学，比如ImageNet上很多团队的结果都已经超过人类，“但在ImageNet竞赛中，正确地识别仅意味着正确类别出现在机器给出的前5个输出类别中。如果给机器输入一张篮球的图像，机器按顺序输出的是门球、比基尼、疣猪、篮球和搬家货车，即可被判定是正确识别…另外’超过人类’中的’人类’一词实际上表述得并不是非常准确，因为这一结果来自被试只有一个的实验”；

  关于过拟合：“很多人好奇深度学习究竟是真正的智能还是‘聪明的汉斯’。” 汉斯是20世纪初德国的一匹马，其主人声称它可以进行算术计算并能听懂德语。这匹马通过用蹄子敲击的次数来回答诸如“15除以3等于多少”这类问题。在“聪明的汉斯”成为国际明星后，一项详细调查最终证实这匹马并没有真正理解给它的问题或数学概念，而只是通过敲击来回应提问者给出的微妙且常人难以察觉的提示。“聪明的汉斯”已成为对表现出理解力但实际上只是对训练员给出的别人难以发现的提示做出反应的个体或程序的隐喻。深度学习展现的是真正的理解，还是一个计算型的“聪明的汉斯” - 只是对数据中的表面线索进行响应？这是目前人工智能界在激烈争论的一个话题，而研究人员并未在真正的理解的定义上达成共识，更是加剧了这一争论；

  关于调参与自主学习：“为了让ConvNets学会执行一项任务，需要大量的人力来完成收集、挑选和标注数据，以及设计ConvNets架构等多方面的工作。虽然ConvNets使用反向传播算法从训练样本中获取参数（即权重），但这种学习是通过所谓的超参数（hyperparameters）集合来实现的，超参数是一个涵盖性术语，指的是网络的所有方面都需要由人类设定好以允许它开始，甚至“开始学习”这样的指令也需要人类设定好。调节超参数听起来可能像是一项非常普通的工作，但调节的好坏对于ConvNets及其他机器学习系统能否良好运行是至关重要的。由于网络设计的开放性，通常不可能自动设置网络的所有参数和设计，即便使用自动搜索也是如此，它往往需要一种神秘的知识。正如微软研究院主任埃里克·霍维茨（Erik Horvitz）所说：“现在，我们所研究的不是一门科学，而是一种炼金术。”根据DeepMind的联合创始人戴米斯·哈萨比斯（Demis Hassabis）的说法，这些能做到“网络低语”（network whispering）的人们形成了一个小型且排外的群体，“这几乎是一种集各种系统之优点为一体的艺术形式……世界上只有几百人能够真正做好这项工作”；

  关于易受攻击：这些深度Q学习系统极易受到我在第06章中描述的那种对抗样本的攻击。例如，一个研究小组表明：在一个雅达利游戏程序的输入中对图像做出某种人类无法察觉的微小改变，会严重损害程序的游戏表现；

  关于道德：在赋予计算机“道德智能”方面的进展不能与其他类型智能的进展分开，真正的挑战是创造出能够真正理解它们所面临的场景的机器。换句话说，可信任的道德理性的一个先决条件是通用的常识，而这，正如我们所见，即使在当今最好的人工智能系统中也是缺失的。2016年，3位研究人员在数百人中进行了调研，给定类似电车问题的自动驾驶汽车可能面临的场景，并询问他们对不同行为的道德观念。最终，76%的参与者回答，自动驾驶汽车牺牲1名乘客比杀死10名行人，从道德上来说更可取。可是，当被问及是否会购买这样一辆被编程为会为了救下更多行人而选择牺牲其乘客的汽车时，绝大多数参与调查者的回答是否定的。研究人员称：“我们发现在6项亚马逊土耳其机器人参与的研究中，参与者认同这种效益主义的自动驾驶汽车，即牺牲乘客以获取更大利益的自动驾驶汽车，并希望其他人会购买它们，但他们自己更愿意乘坐那些不惜一切代价保护乘客的自动驾驶汽车。”心理学家乔书亚·格林（Joshua Greene）在他对这项研究的评论中指出：“在将我们的价值观置入机器之前，我们必须弄清楚如何让我们的价值观清晰且一致。”这似乎比我们想象的要更难；

  关于可解释：“在人工智能“自动决策制定”的情况下，任何一个影响公民的决策都需要提供其中所涉及的与逻辑有关的有意义信息，并且这些信息需要使用清晰明了的语言，以简洁、透明、易懂和易于访问的形式来沟通和传达，这打开了有关解释问题的闸门”；

  关于“理解”与“思考”：“它并不真正理解什么是一条隧道，什么是墙...简而言之，尽管这些深度Q学习系统已经在某些细分领域上取得了超人类的表现，甚至展现出了类似人类直觉的特性，但是它们缺乏一些对人类智能而言非常基本的东西，比如抽象能力、“域泛化”（domain generalization）能力，以及迁移学习能力，如何使系统获得这些能力仍然是人工智能领域最重要的开放问题之一...对于AlphaGo来说，尽管它在训练期间下了数百万盘棋，但是却并没有学会更好地“思考”除围棋之外的其他任何事情。事实上，除了围棋之外，它不具备任何思考、推理和规划的能力。据我所知，它所学到的能力没有一项是通用的，也没有一项可以被迁移到任何其他任务上。AlphaGo是终极的“白痴天才”。AlphaGo中使用的深度Q学习算法能被用于学习其他任务，但系统本身必须进行彻底的重新训练，所以，它基本上算是从头开始学习一项新技能。

  这些质疑并不新鲜。最近很多年，伴随技术的发展，类似的声音层出不穷。我个人的看法是，

  与其操心这些有的没的，不如采用一种更为务实与功利的态度，看看技术到底能用在哪些场景里，解决哪些真实存在的问题，而不是高屋建瓴地去谈论很多务虚的东西。例如，图像识别也好，机器翻译也好，到底深度学习是不是“聪明的汉斯”并不重要，重要的在于它的效果是不是比现有的解决方案更准确、更快捷、更便宜。实践是检验真理的唯一标准。

  第三，作者在书中的一个核心观点在于，

  人工智能无法超越人类的关键在于缺乏常识。

  书中有两张图片的例子把这个问题讲得比较清楚：

  

  “这张照片是什么时候拍摄的呢？很可能是在过去的10年内。这张照片的场景在哪里？可能是在一个机场。为什么士兵在抚摸着这条狗？她可能已经离开了很长一段时间，经历了许多或好或坏的事情，非常想念她的狗，而且因为回到了家，所以特别开心。又或许，狗对她来说就象征了“家”的全部。在这张照片拍摄之前发生了什么呢？这名士兵可能下了飞机，然后穿过机场的安全通道，到达了接机口。她的家人或朋友用拥抱迎接了她，递给了她鲜花和气球，并松开了拴着狗的绳索。这条狗径直走到士兵身旁，士兵放下了她手中的东西并蹲下来，小心翼翼地将气球的绳子压在她的膝盖下防止气球飘走。接下来会发生什么呢？她可能会站起来，擦掉脸上的泪水，拿起鲜花、气球和笔记本电脑并牵起狗，和她的家人朋友一起走向行李领取区。

  当你观察这张图片时，在最基本的层面上，你会观察到图片上的油墨，如果你看的是电子版，那么你会看到屏幕上的像素。

  不知为何，你的眼睛和大脑能够通过获取这些原始信息，在短短几秒钟内将其转化为一个包含活体生命、物体、关系、地点、情感、动机、过去和未来行为的详细的故事。我们观看、观察、理解，最重要的是，我们知道应该忽略哪些无关紧要的信息。照片中还有很多与我们提取出来的故事并不相关的因素：地毯上的图案、从士兵背包上垂下来的绳带、挂在背包肩带上的哨子，以及士兵头发上的发夹。我们人类几乎可以在瞬间完成如此大量信息的处理，并且，我们很少会意识到我们正在做这些信息处理以及我们是如何做到的。除非一个人先天失明，否则视觉处理会在各种抽象层面上支配大脑。当然，以这种方式来描述照片、视频或照相机中的实时视频流中内容的能力，也是我们要求通用的、人类水平的人工智能所首先要具备的素质之一。

  ”

  

  “卡帕西在其发表的一篇题为《计算机视觉和人工智能的现状：我们真的，真的相距甚远》的文章中，描述了自己作为一名计算机视觉研究人员对一张特定照片的反应（见图15-6）。卡帕西指出，我们人类会发现这张照片非常幽默，那么，问题来了：“

  一台计算机需要具备什么样的知识才能像你我一样去理解这张照片？

  ”

  卡帕西列出了许多我们人类轻易就能理解但仍然超出了当今最好的计算机视觉程序的能力范围的事物。例如，我们能够识别出场景中有人，也有镜子，因此有些“人”只是镜子中的影像；我们能够识别出图中的场景是一间更衣室，并且我们会对在更衣室里看到这样一群西装革履的人而感到奇怪。再进一步，我们可以识别出一个人正站在体重秤上，尽管体重秤是由混合在背景中的白色像素组成的。卡帕西指出，我们可以发现奥巴马把他的脚轻轻地压在体重秤上，并强调，我们很容易根据我们推断出来的三维场景结构而不是这张二维图像来得出这一结论。我们对物理学的直觉知识使我们可以推断：奥巴马的脚踩着体重秤将导致体重秤上显示的数字大于体重秤上男士的真实体重。我们在心理学方面的直觉知识告诉我们：站在体重秤上的这个人并没有意识到奥巴马的脚踩在秤上，这能从那个人视线的方向推断出来，并且我们知道他的脑袋后面并没有长眼睛。我们还能明白：测量体重的人大概感觉不到奥巴马的脚正轻踏在秤面上。我们还能根据心智理论进一步推测：当体重秤显示的体重比他的预期要高时，他将很不开心。最后，我们看得出奥巴马和其他观察这一场景的人都在微笑，他们被奥巴马对这个人开的这个玩笑逗乐了，并且可能因为奥巴马的身份让它变得更有趣了。我们也识别出他们的玩笑是友善的，并且他们期望站在秤上的人知道自己被捉弄之后也会开怀大笑。

  卡帕西指出，‘你在推理人们的心智状态，以及他们对其他人的心智状态的看法。这会变得越来越可怕……令人难以置信的是：上面所有的推论都是从人们对这幅二维的由像素构成的图像的简单一瞥而展开的’。对我而言，卡帕西的例子完美地捕捉到了人类理解能力的复杂性，并以水晶般的清晰度展现了人工智能所面临的挑战之大。卡帕西的文章写于2012年，但其传递的信息在今天看来依然正确，我相信，在未来很长一段时间内都是这样。卡帕西用下面这段文字概括了他的文章：‘我几乎可以肯定的是：我们可能需要进一步探索’具身’（embodiment）这一概念。构建像我们这样能够理解各种场景的计算机的唯一方法，就是让它们接触到我们在这么多年来所拥有的结构化的和暂时的经验、与世界互动的能力，以及一些在我思考它应具备何种能力时几乎都无法想象的神奇的主动学习和推理的能力。’”

  作者的这种说法是有一定道理的，AI在常识上的匮乏确实是目前其还不够智能的一个主要原因。作者这本书是2019年10月出版的，而2019年8月OpenAI发布了百亿参数的GPT2，2年之后又发布了千亿参数的GPT3。不断推出的预训练大模型，某种意义上就是为了解决人工智能的常识问题。当然，尽管这些NLP大模型在对话中展现出了较好的效果（当然bug也很多），但它们的智能更像是某种“搜索”。然而，谁又能说人类的常识在本质上不是搜索呢？或许随着模型参数量和算力的提升，智慧就会涌现出来。

  最后，我想说的是，

  或许人类作为碳基生命的代表，并不是一个很好的参照物。换句话说，如果硅基文明即将成为下一个文明，那么他们并不是以“取代人类”作为目标的。我们现在的很多担忧，比如AI是否能理解人类、AI是否能够正确识别人的语言和情绪、AI是否可解释（让人类理解）、AI是否符合（人类社会的）道德， 或许根本就不是什么关键的问题。这就好比人类的发展并不是以取代猴子作为目的的，人类也完全不会去关注猴子之间是如何交流的、猴子能否理解人的逻辑。高级文明有自己的使命，低级文明无须理解，也理解不能。我们现阶段的担心，或许不过是“人类中心论”大背景下的杞人忧天而已。

  人类总以为自己是特别的，总是抱着自己的“情感”、“审美”、“意识”不放，将它们神秘化，但实际上或许这些都不过是进化过程中的一些副产品罢了，并不在文明进化的主线上。这就好比之前下围棋总说“棋感”，好像很神秘的样子，结果发现说穿了就是算力罢了，在更加暴力的算力面前一击即溃。从宇宙熵增和文明熵减的使命面前，更加纯粹的、更容易规模化的计算才是王道，而人类在这个进程中做出了应有的贡献，就够了。

  以上。